Hadoop编程基于MR程序实现倒排索引示例

发布时间：2020-12-15 03:34:12 所属栏目：C语言来源：网络整理

导读：相信接触过搜索引擎开发的同学对倒排索引并不陌生，谷歌、百度等搜索引擎都是用的倒排索引，关于倒排索引的有关知识，这里就不再深入讲解，有兴趣的同学到网上了解一下。这篇博文就带着大家一起学习下如何利用Hadoop的MR程序来实现倒排索引的功能。一、数据

相信接触过搜索引擎开发的同学对倒排索引并不陌生，谷歌、百度等搜索引擎都是用的倒排索引，关于倒排索引的有关知识，这里就不再深入讲解，有兴趣的同学到网上了解一下。这篇博文就带着大家一起学习下如何利用Hadoop的MR程序来实现倒排索引的功能。

一、数据准备

1、输入文件数据

这里我们准备三个输入文件，分别如下所示

a.txt

hello tom 
hello jerry 
hello tom

b.txt

hello jerry 
hello jerry 
tom jerry

c.txt

hello jerry 
hello tom

2、最终输出文件数据

最终输出文件的结果为：

[plain] view plain copy
hello  c.txt-->2 b.txt-->2 a.txt-->3  
jerry  c.txt-->1 b.txt-->3 a.txt-->1  
tom c.txt-->1 b.txt-->1 a.txt-->2

二、倒排索引过程分析

根据输入文件数据和最终的输出文件结果可知，此程序需要利用两个MR实现，具体流程可总结归纳如下：

-------------第一步Mapper的输出结果格式如下：-------------------- 
context.wirte("hello->a.txt","1") 
context.wirte("hello->a.txt","1") 
context.wirte("hello->b.txt","1") 
context.wirte("hello->c.txt","1") 
-------------第一步Reducer的得到的输入数据格式如下：------------- 
<"hello->a.txt",{1,1,1}> 
<"hello->b.txt",1}> 
<"hello->c.txt",1}> 
-------------第一步Reducer的输出数据格式如下--------------------- 
context.write("hello->a.txt","3") 
context.write("hello->b.txt","2") 
context.write("hello->c.txt","2") 
-------------第二步Mapper得到的输入数据格式如下：----------------- 
context.write("hello->a.txt","2") 
-------------第二步Mapper输出的数据格式如下：-------------------- 
context.write("hello","a.txt->3") 
context.write("hello","b.txt->2") 
context.write("hello","c.txt->2") 
-------------第二步Reducer得到的输入数据格式如下：----------------- 
<"hello",{"a.txt->3","b.txt->2","c.txt->2"}> 
-------------第二步Reducer输出的数据格式如下：----------------- 
context.write("hello","a.txt->3 b.txt->2 c.txt->2") 
最终结果为： 
hello  a.txt->3 b.txt->2 c.txt->2

三、程序开发

3.1、第一步MR程序与输入输出

package com.lyz.hdfs.mr.ii; 
import java.io.IOException; 
import org.apache.commons.lang.StringUtils; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.Mapper; 
import org.apache.hadoop.mapreduce.Reducer; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.input.FileSplit; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
/** 
 * 倒排索引第一步Map Reduce程序,此处程序将所有的Map/Reduce/Runner程序放在一个类中 
 * @author liuyazhuang 
 * 
 */ 
public class InverseIndexStepOne { 
  /** 
   * 完成倒排索引第一步的mapper程序 
   * @author liuyazhuang 
   * 
   */ 
  public static class StepOneMapper extends Mapper<LongWritable,Text,LongWritable>{ 
    @Override 
    protected void map(LongWritable key,Text value,Mapper<LongWritable,LongWritable>.Context context) 
        throws IOException,InterruptedException { 
      //获取一行数据 
      String line = value.toString(); 
      //切分出每个单词 
      String[] fields = StringUtils.split(line," "); 
      //获取数据的切片信息 
      FileSplit fileSplit = (FileSplit) context.getInputSplit(); 
      //根据切片信息获取文件名称 
      String fileName = fileSplit.getPath().getName(); 
      for(String field : fields){ 
        context.write(new Text(field + "-->" + fileName),new LongWritable(1)); 
      } 
    } 
  } 
  /** 
   * 完成倒排索引第一步的Reducer程序 
   * 最终输出结果为： 
   * hello-->a.txt  3 
    hello-->b.txt  2 
    hello-->c.txt  2 
    jerry-->a.txt  1 
    jerry-->b.txt  3 
    jerry-->c.txt  1 
    tom-->a.txt 2 
    tom-->b.txt 1 
    tom-->c.txt 1 
   * @author liuyazhuang 
   * 
   */ 
  public static class StepOneReducer extends Reducer<Text,LongWritable,LongWritable>{ 
    @Override 
    protected void reduce(Text key,Iterable<LongWritable> values,Reducer<Text,LongWritable>.Context context) throws IOException,InterruptedException { 
      long counter = 0; 
      for(LongWritable value : values){ 
        counter += value.get(); 
      } 
      context.write(key,new LongWritable(counter)); 
    } 
  } 
  //运行第一步的MR程序 
  public static void main(String[] args) throws Exception{ 
    Configuration conf = new Configuration(); 
    Job job = Job.getInstance(conf); 
    job.setJarByClass(InverseIndexStepOne.class); 
    job.setMapperClass(StepOneMapper.class); 
    job.setReducerClass(StepOneReducer.class); 
    job.setMapOutputKeyClass(Text.class); 
    job.setMapOutputValueClass(LongWritable.class); 
    job.setOutputKeyClass(Text.class); 
    job.setOutputValueClass(LongWritable.class); 
    FileInputFormat.addInputPath(job,new Path("D:/hadoop_data/ii")); 
    FileOutputFormat.setOutputPath(job,new Path("D:/hadoop_data/ii/result")); 
    job.waitForCompletion(true); 
  } 
}

3.1.1 输入数据

a.txt

hello tom 
hello jerry 
hello tom

b.txt

hello jerry 
hello jerry 
tom jerry

c.txt

hello jerry 
hello tom

3.1.2

输出结果：

hello-->a.txt  3 
hello-->b.txt  2 
hello-->c.txt  2 
jerry-->a.txt  1 
jerry-->b.txt  3 
jerry-->c.txt  1 
tom-->a.txt 2 
tom-->b.txt 1 
tom-->c.txt 1

3.2 第二步MR程序与输入输出

package com.lyz.hdfs.mr.ii; 
import java.io.IOException; 
import org.apache.commons.lang.StringUtils; 
import org.apache.hadoop.conf.Configuration; 
import org.apache.hadoop.fs.Path; 
import org.apache.hadoop.io.LongWritable; 
import org.apache.hadoop.io.Text; 
import org.apache.hadoop.mapreduce.Job; 
import org.apache.hadoop.mapreduce.Mapper; 
import org.apache.hadoop.mapreduce.Reducer; 
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat; 
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat; 
/** 
 * 倒排索引第二步Map Reduce程序,此处程序将所有的Map/Reduce/Runner程序放在一个类中 
 * @author liuyazhuang 
 * 
 */ 
public class InverseIndexStepTwo { 
  /** 
   * 完成倒排索引第二步的mapper程序 
   * 
   * 从第一步MR程序中得到的输入信息为： 
   * hello-->a.txt  3 
    hello-->b.txt  2 
    hello-->c.txt  2 
    jerry-->a.txt  1 
    jerry-->b.txt  3 
    jerry-->c.txt  1 
    tom-->a.txt 2 
    tom-->b.txt 1 
    tom-->c.txt 1 
   * @author liuyazhuang 
   * 
   */ 
  public static class StepTwoMapper extends Mapper<LongWritable,Text>{ 
    @Override 
    protected void map(LongWritable key,Text>.Context context) 
        throws IOException,InterruptedException { 
      String line = value.toString(); 
      String[] fields = StringUtils.split(line,"t"); 
      String[] wordAndFileName = StringUtils.split(fields[0],"-->"); 
      String word = wordAndFileName[0]; 
      String fileName = wordAndFileName[1]; 
      long counter = Long.parseLong(fields[1]); 
      context.write(new Text(word),new Text(fileName + "-->" + counter)); 
    } 
  } 
  /** 
   * 完成倒排索引第二步的Reducer程序 
   * 得到的输入信息格式为: 
   * <"hello","c.txt->2"}>,* 最终输出结果如下： 
   * hello  c.txt-->2 b.txt-->2 a.txt-->3 
    jerry  c.txt-->1 b.txt-->3 a.txt-->1 
    tom c.txt-->1 b.txt-->1 a.txt-->2 
   * @author liuyazhuang 
   * 
   */ 
  public static class StepTwoReducer extends Reducer<Text,Text>{ 
    @Override 
    protected void reduce(Text key,Iterable<Text> values,InterruptedException { 
      String result = ""; 
      for(Text value : values){ 
        result += value + " "; 
      } 
      context.write(key,new Text(result)); 
    } 
  } 
  //运行第一步的MR程序 
  public static void main(String[] args) throws Exception{ 
    Configuration conf = new Configuration(); 
    Job job = Job.getInstance(conf); 
    job.setJarByClass(InverseIndexStepTwo.class); 
    job.setMapperClass(StepTwoMapper.class); 
    job.setReducerClass(StepTwoReducer.class); 
    job.setMapOutputKeyClass(Text.class); 
    job.setMapOutputValueClass(Text.class); 
    job.setOutputKeyClass(Text.class); 
    job.setOutputValueClass(Text.class); 
    FileInputFormat.addInputPath(job,new Path("D:/hadoop_data/ii/result/part-r-00000")); 
    FileOutputFormat.setOutputPath(job,new Path("D:/hadoop_data/ii/result/final")); 
    job.waitForCompletion(true); 
  } 
}

3.2.1 输入数据

hello-->a.txt  3 
hello-->b.txt  2 
hello-->c.txt  2 
jerry-->a.txt  1 
jerry-->b.txt  3 
jerry-->c.txt  1 
tom-->a.txt 2 
tom-->b.txt 1 
tom-->c.txt 1

3.2.2 输出结果

hello  c.txt-->2 b.txt-->2 a.txt-->3  
jerry  c.txt-->1 b.txt-->3 a.txt-->1  
tom c.txt-->1 b.txt-->1 a.txt-->2

总结

以上就是本文关于Hadoop编程基于MR程序实现倒排索引示例的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站：Hadoop对文本文件的快速全局排序实现方法及分析、hadoop重新格式化HDFS步骤解析、浅谈七种常见的Hadoop和Spark项目案例等，有什么问题可以直接留言，小编会及时回复大家的。感谢朋友们对本站的支持！

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!